本文選題：聚類　切入點(diǎn)：一種經(jīng)典的基于密度的聚類算法(DBSCAN)　出處：《計(jì)算機(jī)工程與應(yīng)用》2017年03期

【摘要】：為解決DBSCAN聚類算法的Eps及MinPts參數(shù)選擇問(wèn)題,提出一種領(lǐng)域無(wú)關(guān)的參數(shù)動(dòng)態(tài)選擇方法。首先,基于k-均值算法對(duì)數(shù)據(jù)集進(jìn)行初步聚類,聚類中采用最大最小距離方法確定初始聚類中心。其次,針對(duì)k-均值聚類結(jié)果,計(jì)算統(tǒng)計(jì)各聚類中樣本間距離的分布情況,選擇使得具有最大樣本對(duì)數(shù)的距離值作為對(duì)應(yīng)類的Eps值,并通過(guò)Eps獲得MinPts值。最后,對(duì)DBSCAN算法進(jìn)行改進(jìn),使其可根據(jù)當(dāng)前核心點(diǎn)所屬k-均值聚類對(duì)應(yīng)的Eps對(duì)其運(yùn)行值進(jìn)行自適應(yīng)調(diào)整。將上述思想運(yùn)用于未知協(xié)議條件下的比特流聚類分析,結(jié)果表明,在無(wú)需用戶指定Eps及MinPts的條件下,即可獲得滿意的聚類結(jié)果,提高了算法的適用性和準(zhǔn)確率。
[Abstract]:In order to solve the problem of Eps and MinPts parameter selection in DBSCAN clustering algorithm, a domain independent dynamic parameter selection method is proposed.Firstly, the data set is preliminarily clustered based on the k-means algorithm. The maximum and minimum distance method is used to determine the initial clustering center in the clustering.Secondly, for the K-means clustering results, the distribution of the distance between the samples in each cluster is calculated and the distance value with the maximum sample logarithm is selected as the Eps value of the corresponding class, and the MinPts value is obtained by Eps.Finally, the DBSCAN algorithm is improved so that it can adjust its running value adaptively according to the Eps corresponding to the current kernel point k-means clustering.The above idea is applied to the bitstream clustering analysis under unknown protocol conditions. The results show that the satisfactory clustering results can be obtained without the user specifying Eps and MinPts, and the applicability and accuracy of the algorithm are improved.
【作者單位】： 軍械工程學(xué)院電子與光學(xué)工程系;
【分類號(hào)】：TP311.13

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 ;Scaling up the DBSCAN Algorithm for Clustering Large Spatial Databases Based on Sampling Technique[J];Wuhan University Journal of Natural Sciences;2001年Z1期

2 岳士弘,李平,郭繼東,周水庚;Using Greedy algorithm: DBSCAN revisited II[J];Journal of Zhejiang University Science;2004年11期

3 蔡穎琨,謝昆青,馬修軍;屏蔽了輸入?yún)?shù)敏感性的DBSCAN改進(jìn)算法[J];北京大學(xué)學(xué)報(bào)(自然科學(xué)版);2004年03期

4 宋明,劉宗田;基于數(shù)據(jù)交疊分區(qū)的并行DBSCAN算法[J];計(jì)算機(jī)應(yīng)用研究;2004年07期

5 熊忠陽(yáng),孫思,張玉芳,王秀瓊;一種基于劃分的不同參數(shù)值的DBSCAN算法[J];計(jì)算機(jī)工程與設(shè)計(jì);2005年09期

6 何中勝;劉宗田;莊燕濱;;基于數(shù)據(jù)分區(qū)的并行DBSCAN算法[J];小型微型計(jì)算機(jī)系統(tǒng);2006年01期

7 李杰;賈瑞玉;張璐璐;;一個(gè)改進(jìn)的基于DBSCAN的空間聚類算法研究[J];計(jì)算機(jī)技術(shù)與發(fā)展;2007年01期

8 馮少榮;肖文俊;;基于密度的DBSCAN聚類算法的研究及應(yīng)用[J];計(jì)算機(jī)工程與應(yīng)用;2007年20期

9 譚穎;胡瑞飛;殷國(guó)富;;多密度閾值的DBSCAN改進(jìn)算法[J];計(jì)算機(jī)應(yīng)用;2008年03期

10 馮少榮;肖文俊;;一種提高DBSCAN聚類算法質(zhì)量的新方法[J];西安電子科技大學(xué)學(xué)報(bào);2008年03期

相關(guān)會(huì)議論文 前8條

1 馬帥;宋國(guó)杰;唐世渭;楊冬青;王騰蛟;;基于單元?jiǎng)澐值腄BSCAN聚類算法[A];第十九屆全國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2002年

2 朵春紅;王翠茹;;基于取樣的DBSCAN聚類算法及其遺傳優(yōu)化[A];第一屆中國(guó)高校通信類院系學(xué)術(shù)研討會(huì)論文集[C];2007年

3 龐洋;李海林;郭義喜;;基于DBSCAN算法的日志信息聚類研究[A];計(jì)算機(jī)技術(shù)與應(yīng)用進(jìn)展·2007——全國(guó)第18屆計(jì)算機(jī)技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會(huì)議論文集[C];2007年

4 宮蕊;舒紅平;郭遠(yuǎn)遠(yuǎn);;基于DBSCAN的密度聚類算法的研究[A];2008'中國(guó)信息技術(shù)與應(yīng)用學(xué)術(shù)論壇論文集（二）[C];2008年

5 張健沛;許慧;楊靜;崔洪晶;;基于數(shù)據(jù)分區(qū)、QR~*-樹的并行DBSCAN算法[A];2006北京地區(qū)高校研究生學(xué)術(shù)交流會(huì)——通信與信息技術(shù)會(huì)議論文集（下）[C];2006年

6 Yi-Chun Xu;Man Zhu;Zunhai Ke;Yong Liu;Suifa Sun;;Isolating Ships from Shape Curve with DBSCAN[A];第25屆中國(guó)控制與決策會(huì)議論文集[C];2013年

7 范曄;周水庚;曹晶;周傲英;;通過(guò)數(shù)據(jù)取樣擴(kuò)展基于密度的聚類算法[A];第十六屆全國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集[C];1999年

8 曹晶;周水庚;范曄;周傲英;;數(shù)據(jù)分區(qū):一種改善基于密度的聚類算法的方法[A];第十六屆全國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集[C];1999年

相關(guān)碩士學(xué)位論文 前10條

1 陸穎華;基于局部敏感哈希的DBSCAN算法研究[D];南京信息工程大學(xué);2015年

2 汪洋;采用DBSCAN聚類的自適應(yīng)步長(zhǎng)細(xì)菌覓食算法[D];南京師范大學(xué);2015年

3 謝江;針對(duì)非均勻密度環(huán)境的DBSCAN自適應(yīng)聚類算法的研究[D];重慶大學(xué);2015年

4 崔熠明;基于激光雷達(dá)的智能車防撞預(yù)警系統(tǒng)研究[D];吉林大學(xué);2016年

5 邵夢(mèng)汝;基于鐵路客票信息的旅客購(gòu)票行為分析[D];西南交通大學(xué);2016年

6 韓梅;基于改進(jìn)DBSCAN的復(fù)雜工業(yè)過(guò)程建模數(shù)據(jù)異常點(diǎn)檢測(cè)研究[D];天津工業(yè)大學(xué);2016年

7 劉聰;基于SPARK平臺(tái)的LAMOST早M型光譜聚類的研究[D];山東大學(xué);2016年

8 馮振華;基于DBSCAN聚類算法的研究與應(yīng)用[D];江南大學(xué);2016年

9 田路強(qiáng);基于DBSCAN的分布式聚類及增量聚類的研究與應(yīng)用[D];北京工業(yè)大學(xué);2016年

10 羅啟福;基于云計(jì)算的DBSCAN算法研究[D];武漢理工大學(xué);2013年

，

本文編號(hào)：1715093